基于自适应阈值的分布式光纤管道安全监测算法的制作方法

本发明涉及分布式光纤对输油输气管道振动监测的安防领域，具体的说是一种基于自适应阈值的分布式光纤管道安全监测算法。

背景技术：

在石油化工行业中，输油输气管道经常会发生管道周围施工、偷油盗油等人为破坏事件，油气一旦泄露将会给人民群众的生命财产安全带来严重的威胁，因此管道安全监测技术越来越受到重视并得到快速发展。相比传统的人工巡线和管道流体压力检测等监测手段相比，分布式光纤振动监测技术具有响应时间快、监测距离长、定位准确、工作稳定、抗电磁干扰能力强等优势，尤其是在破坏事件发生前系统能够给出预警，这在很大程度上可以避免事件的发生。目前，分布式光纤振动传感技术已经越来越多的应用于输油输气管道的安全监测上，并正逐渐发展为主流监测方式。

分布式光纤管道安全监测系统的性能受到一个重要因素的影响——振动监测算法，振动监测算法是实现实时高效准确识别管道破坏事件的关键。目前大多数算法中都会采用静态阈值的方式进行振动报警的判断，这种方式需要根据实际环境不断调整静态阈值使其在实际使用中达到最优，整个调参过程复杂，算法的环境适应性差。通过尖峰点确定光纤振动位置的方式可以克服静态阈值带来的调参困难等问题，但是这种方式容易受到噪声干扰而产生误判，并且随着管道监测距离的增加，光的能量会产生衰减，导致尖峰点被弱化从而无法及时准确的检测出光纤振动的位置，继而无法监测到管道破坏事件。

技术实现要素：

针对上述存在的技术问题，本发明提供了一种基于自适应阈值的分布式光纤管道安全监测算法，该算法在确定阈值时融入空间位置信息，结合松弛因子使得算法在判定报警时可以不受光纤自身以及光纤所处环境的影响，使系统的环境适应性大大提高，同时该算法对长距离管道监测的光衰减会起到补偿作用，有效的提高了系统的灵敏度。详细技术方案如下文描述：

一种基于自适应阈值的分布式光纤管道安全监测算法，其特征在于包括以下步骤：

步骤1：读取光纤振动传感器采集的数据并进行数据预处理；

步骤2：对预处理后的数据在时域方向上进行小波包分解，并重构某一细节分量；

步骤3：对各个位置点的重构信号进行分帧处理，并根据帧能量求取信号的振动突变量，各个位置点的振动突变量组成空间特征向量；

步骤4：计算空间特征向量的自适应阈值，通过阈值判断求得破坏事件发生的位置，并设置位置状态。

步骤5：将存在破坏事件的位置的状态进行缓存，在一定的时间片段内将缓存的位置状态组与报警类型库进行比较，确定报警类型并输出。

本发明上述步骤1中，光纤传感器采集的数据为二维矩阵dm×n＝(dij)m×n,(i＝1,2...,m；j＝1,2...,n)，其中，m表示时间维度，即一秒内采集的数据点数，一秒的时间内在光纤第j个位置处采集的数据可以表示为(d1j,d2j,...,dmj)^t；n表示空间维度，即某一时刻采集的整条光纤的数据，某一时刻i光纤在所有位置处采集的数据可以表示为(di1,di2,...,din)。

数据预处理是将采集到的原始数据进行纵向滑动平均滤波，用于滤除突变信号的影响，具体的实现步骤为：

步骤1：选取矩形窗wl×n并确定矩形窗的长度l及移动的步长s；

步骤2：在时间维度上计算矩形窗内的信号均值计算公式为：

其中，i表示窗函数位于原始数据的纵向起始位置，初值为1。

步骤3：将窗函数沿原始数据的纵向方向移动s，重复步骤2，此时的i＝i+s。直到窗函数滑动到原始数据纵向方向的末端时停止计算，此时将得到预处理后的数据

本发明上述步骤2中，所述垂直小波包分解及重构是指将预处理后的信号进行三层二维小波包分解，提取第三层的垂直分量进行信号重构。

本发明上述步骤3中，所述振动突变量是用来表示光纤发生振动时信号突然变化的剧烈程度，获取振动突变量的实现步骤为：

步骤1；对小波重构后的信号在垂直方向上分帧处理，并计算各个帧的能量；

步骤2：计算相邻帧之间的能量差值，并进行归一化处理：

e‘i＝(ei+1-ei)/ei,i＝1,2,...,p-1

其中，e为帧能量，p为帧的个数，e‘i为第i个归一化的帧能量差值。

步骤3：步骤2计算的所有帧能量差值求最大值即为所求的振动突变量。

通过上述步骤，每一个空间位置点都会求得一个振动突变量，所有的振动突变量在水平方向上形成一组空间特征向量。

本发明上述步骤4中，所述自适应阈值的计算过程如下：

步骤1：计算空间特征向量的峰值点。首先计算特征向量中每个值的二阶差分量，计算公式为：

δ²fi＝fi+2-2fi+1+fi,i＝1,2,...,n-2

其中，f为空间特征向量组，n为向量的维度。其次，判断出δ²fi<0的值即为峰值点，所有的峰值点构成峰值点集合s＝{s1,s2,……,sq}。

步骤2：遍历峰值点集合s，计算每个峰值点的自适应阈值，具体的计算公式如下：

其中，thi为峰值点si的自适应阈值，σ为松弛因子，用于控制自适应阈值的灵敏度，σ越大，自适应阈值判断报警越灵敏，μi为峰值点si在空间特征向量组f中相关位置的均值，设si在f中的位置为j，则μi的计算公式如下：

自适应阈值计算出来后将与其对应的峰值点进行比较，如果峰值点大于自适应阈值，则峰值点对应的位置被认为是报警点，否则不认为是报警点。

本发明上述步骤5中，所述输出报警类型的实现过程包括：

步骤1：建立报警类型库。分别采集人为挖掘、机械挖掘、车辆经过和安静环境下的数据，计算每种类型的数据在一定时间片段内的位置状态组，并对每个位置状态组进行类型标识，所有的位置状态组构成报警类型库；

步骤2：针对本发明步骤4中的报警点，计算报警点的位置状态组，并将其与报警类型库进行比对，输出对应的报警类型。

附图说明：

附图1为本算法总体流程图

附图2为第1毫秒的空间位置波形图

附图3为无干扰、人为挖掘、机械挖掘、车辆经过四种情况下2000米位置处的时域波形图。

附图4为无干扰、人为挖掘、机械挖掘、车辆经过四种情况下2000米位置处小波重构后的波形图。

附图5为本发明实施例中特征曲线示意图。

具体实施方式：

为了使本发明的技术方案和算法优点更加清楚，以下我们参照附图进一步进行详细的描述，但本方面的保护范围并不只局限于以下实施方式，以权利要求限定。

实施例一：

图1为本发明算法的总体设计流程图，结合流程图，具体的实施步骤为：

步骤一：采集数据：采样频率为1khz，光纤监测管道的距离为20公里，每秒钟采集的数据大小为1000*20000，第1毫秒采集的光纤数据如图2所示，因为采样频率是1khz，所以1秒内会采集1000条光纤数据。图3表示在2000米的位置处采集1秒的数据，图(a)代表无干扰的数据，图(b)代表人为挖掘的数据，图(c)代表机械挖掘的数据，图(d)代表车辆经过的数据；

步骤二：垂直小波包分解和重构：对当前帧信号进行3级小波包分解，取第三层的垂直分量进行重构，重构后于2000米的时域信号如图4所示；

步骤三：计算空间特征向量：首先，对小波分解重构后的信号在时域方向上分10帧，帧长为100；其次，计算每帧的能量及相邻帧之间的能量差，并用前一帧的能量进行归一化处理，通过上述计算会在每个位置上得到9组帧能量差；最后在每个位置上选取9组帧能量差的最大值作为该位置上的特征，所有位置的特征构成空间特征向量，特征曲线如图5所示；

步骤四：计算自适应阈值、判断报警位置：首先，计算空间特征向量的峰值点，并计算每个峰值点的自适应阈值，如图5中的红色线所示；其次，判断峰值点与自适应阈值的大小，如图5中绿色框中标示的，在该位置处的峰值点超过红色阈值线，则该位置属于报警点，其他位置处的峰值点未超过红色阈值线则判定为其他位置不属于报警点；最后，对所有的空间位置点进行位置状态标识，即存在报警的位置点在当前时刻的状态标为1，不存在报警的位置点在当前时刻的状态标为0。

步骤五：比对报警类型库，输出报警：首先，建立报警类型库，类型库是由700条不同类型的位置状态组组成，每一个状态组是通过缓存6秒的位置状态得到的，其中属于人为挖掘类型的状态组共300个，机械挖掘类型的状态组共200个，车辆通过类型的状态组共200条；然后，在实时计算中对报警点缓存6秒的状态组与报警类型库进行比对，最后将与其匹配的状态组的类型作为该报警点的报警类型输出。

本发明提出的分布式光纤管道安全监测算法是通过自适应阈值的方式确定报警位置，这种识别方式不再局限于点的判断，而是将一定范围的光纤信号考虑在内，使得局部振动更加突出，这在很大程度上解决了算法在不同环境中的适应性问题和远距离监测灵敏度降低的问题，能够使系统更加准确高效的定位管道破坏事件发生的位置和输出相应的报警类型。